復(fù)雜背景建模與運動目標(biāo)檢測算法研究.pdf

1、序列圖像中的運動目標(biāo)檢測是計算機(jī)視覺與模式識別領(lǐng)域方興未艾的課題之一，該技術(shù)在機(jī)器人導(dǎo)航、智能視頻監(jiān)控系統(tǒng)以及視頻圖像分析等領(lǐng)域均有廣泛應(yīng)用。本文圍繞運動目標(biāo)檢測中的統(tǒng)計背景建模算法展開研究。
　　統(tǒng)計背景建模算法分為參數(shù)化與非參數(shù)化兩種。參數(shù)化算法假設(shè)模型已知，把對背景的估計轉(zhuǎn)化為對參數(shù)的估計。作為參數(shù)化算法的典型代表，論文深入討論了傳統(tǒng)混合高斯模型MOG的基本思想與算法流程，分析了MOG不能快速收斂的原因，闡述了兩種陰影檢測機(jī)

2、理。針對MOG的不足，論文提出了改進(jìn)的混合高斯模型MOG1。MOG1引入了前景模型與新的背景更新機(jī)制，使突然靜止的運動物體迅速融入背景，有效地提高了背景收斂的速度。同時為了提高檢測的準(zhǔn)確性，提出了在歸一化顏色空間(I,g,r)進(jìn)行陰影檢測的新算法。實驗證明，(I,g,r)與HSV效果相當(dāng)，而在光線突變時有明顯的改進(jìn)。
　　在非參數(shù)化背景建模方面，論文首先討論了核密度估計的算法原理；定性分析了樣本數(shù)量與窗寬對估計結(jié)果的影響。然后從M

3、ISE及AMISE角度出發(fā)，定量分析了窗寬的作用，給出了窗寬選擇的一般公式、兩種方法，即簡單快速的窗寬選擇方法與交叉驗證的方法。
　　論文詳細(xì)論述了高斯核密度估計；深入研究了利用絕對差中位數(shù)求取窗寬的四分位點法。針對分位點法與樣本數(shù)目無關(guān)的缺點，論文在正態(tài)密度下推導(dǎo)了一個以樣本數(shù)為參數(shù)的簡單快速的窗寬選擇公式，并將公式推廣到任意密度下，結(jié)合導(dǎo)函數(shù)平方積分R(f")的兩種逼近，即二階導(dǎo)卷積與核密度估計，提出了一種更普適的窗寬選擇算法